تصور کنید پزشکی که دیگر ساعت‌ها وقتش را صرف جست‌وجوی علائم نادر نمی‌کند، بلکه تمام آن زمان را به پیچیدگی‌های انسانیِ درمان بیمار اختصاص می‌دهد. این رویای جدید، محور اصلی همکاری استراتژیک جانز هاپکینز (Johns Hopkins Medicine) و OpenEvidence است که در ۱۳ اکتبر ۲۰۲۶ برای بازطراحی نحوه آموزش پزشکان اعلام شد. این خبر که از میامی (فلوریدا) و بالتیمور (مریلند) منتشر شده است، هدف نهایی این مشارکت را استفاده از هوش مصنوعی برای دستیابی به نتایج درمانی بهتر برای بیماران می‌داند.
به نقل از بیانیه رسمی این دو سازمان، هدف نهایی این است که نسل بعدی پزشکان بتوانند در محیطی که هوش مصنوعی در آن بومی شده است، رهبری کنند. این اقدام در حالی رخ می‌دهد که هوش مصنوعی زاینده (Generative AI) — شبیه دستیاری که تمام کتاب‌های پزشکی جهان را در ثانیه می‌خواند و خلاصه می‌کند — در حال تبدیل کردن یادگیری حفظی به ابزاری منسوخ است. برای یک قرن، جانز هاپکینز استاندارد طلایی آموزش پزشکی آمریکا بود؛ حالا این مرکز می‌خواهد استاندارد عصر هوش مصنوعی را تعریف کند. در دنیایی که هوش مصنوعی قادر است دانش جهانی پزشکی را در چند ثانیه فشرده کند، یادگیری سنتی مبتنی بر حفظ کردن دیگر کارآمد نیست.
زمینه و ضرورت همکاری
این مشارکت بر این باور استوار است که تحول در پزشکی، نیازمند بازطراحی آگاهانه آموزش و عمل بالینی است. این دو نهاد معتقدند که تغییراتی که هوش مصنوعی در پزشکی ایجاد می‌کند، نباید تصادفی باشد، بلکه باید با یک برنامه دقیق برای بازنگری در نحوه آموزش و تمرین پزشکی همراه شود. وقتی استخراج اطلاعات بر عهده ماشین است، نقش پزشک به سمت کارهایی می‌رود که قابل اتوماسیون نیستند: استدلال بر اساس اصول اولیه، قضاوت زمینه‌ای و همدلی انسانی در مراقبت از بیماران.
دکتر تراویس زک، مدیر پزشکی OpenEvidence، تأکید می‌کند که مسئله این نیست که آیا هوش مصنوعی نقش پزشک را تغییر می‌دهد یا خیر، بلکه مسئله این است که چه کسی و با چه اصولی این تغییر را تعریف می‌کند. او استدلال می‌کند که آینده پزشکی باید آگاهانه و با محوریت بیمار ساخته شود، نه اینکه صرفاً واکنشی به تکنولوژی باشد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های زبانی در محیط‌های حساس اشاره کردیم، جابه‌جایی تمرکز از «داده» به «استدلال»، کلید بقای متخصصان در عصر مدل‌های پیشرفته است.
بازتعریف نقش بالینی
طبق اعلام این دو نهاد، این همکاری بر دو ستون اصلی استوار است:
- آموزش بومی هوش مصنوعی: طراحی مدلی که اصول بنیادی را تقویت کند. این شامل درک عمیق پاتوفیزیولوژی، پزشکی مبتنی بر شواهد (Evidence-based Medicine)، استدلال بالینی از اصول اولیه و مهارت‌های تشخیصی و بین‌فردی است که هسته اصلی مراقبت‌های دلسوزانه را تشکیل می‌دهند. آن‌ها قصد دارند سیستم‌های تطبیقی نوین هوش مصنوعی بسازند تا پزشکان بتوانند یادگیری مستمر خود را در محیط‌های پویا حفظ کنند. این رویکرد با پیشرفت‌های اخیر در دقت تشخیص‌های خودکار همسو است، مشابه آنچه در دستیابی مدل AMIE گوگل به دقت ۹۰ درصدی در محیط‌های کلینیکی مشاهده شد.
- سیستم‌های مراقبتی انسان‌محور: توسعه ابزارهایی که بهترین شواهد علمی موجود را با تاریخچه پزشکی خاص هر بیمار و تجربیات داخلی و بهترین رویه‌های (Best Practices) جانز هاپکینز ترکیب می‌کند. هدف این سیستم‌ها این است که به پزشکان کمک کند تا اطلاعات را سریع‌تر تحلیل کرده و به بهترین تصمیمات درمانی برسند.
دکتر سانجای دسای، نایب رئیس آموزش جانز هاپکینز، می‌گوید آموزش مدرن پزشکی در ابتدا بر این ایده طراحی شد که پزشکان در بالین بیمار و بر پایه علم یاد بگیرند. او معتقد است هوش مصنوعی پزشکان را با ابزارهایی که هنوز به‌طور کامل تصور نمی‌کنند، دوباره به بالین بیمار بازمی‌گرداند. دکتر سارا موری، مدیر ارشد انفورماتیک پزشکی و هوش مصنوعی در جانز هاپکینز، افزود که این همکاری ابزارهایی را فراهم می‌کند تا هر رویارویی با بیمار، آگاهانه‌تر، دقیق‌تر و متناسب‌تر با نیازهای فردی هر شخص باشد.
گسترش سریع ادغام هوش مصنوعی
این همکاری بخشی از روند گسترده‌تر نفوذ OpenEvidence در سیستم‌های بهداشتی بزرگ است. این شرکت در هفته‌های پیش از قرارداد با جانز هاپکینز، چندین مشارکت کلیدی و سطح بالا را ثبت کرده است تا جایگاه خود را در زیرساخت‌های درمانی تثبیت کند:
۱. Penn Medicine (۱۵ سپتامبر ۲۰۲۶): استقرار سیستم پشتیبانی تصمیمات بالینی مبتنی بر هوش مصنوعی برای بیش از ۱۰,۰۰۰ پزشک در هفت بیمارستان. این استقرار گسترده در Penn Medicine گامی کلیدی در جهت عملیاتی کردن هوش مصنوعی در مقیاس وسیع بود. همچنین این همکاری شامل گسترش دسترسی به کشورهای با درآمد کم و متوسط از طریق مشارکت Botswana-UPenn است.
۲. Memorial Sloan Kettering (۱۶ سپتامبر ۲۰۲۶): ادغام هوش مصنوعی در جریان‌های کاری پرونده الکترونیک سلامت (Epic EHR) و گنجاندن پایگاه دانش OncoKB در زمینه انکولوژی دقیق برای استفاده گسترده‌تر توسط ارائه‌دهندگان خدمات خارج از مرکز MSK. این ادغام در واقع شخصی‌سازی تصمیمات بالینی در سیستم Epic را با تکیه بر داده‌های تخصصی انکولوژی ممکن می‌سازد.
۳. AdventHealth (۱ اکتبر ۲۰۲۶): در دسترس قرار دادن پلتفرم برای طیف وسیعی از کادر درمان شامل پزشکان، پرستاران، داروسازان، مدیران مراقبت، درمانگران و سایر نقش‌های بالینی در تمامی سیستم‌های EHR موجود.
تغییر در منطق پزشکی
این مشارکت نشان‌دهنده تغییر بنیادین در ارزش پیشنهادی حرفه پزشکی است. وقتی هوش مصنوعی «چه چیزی» (داده‌ها و اطلاعات) را مدیریت می‌کند، ارزش پزشک کاملاً به «چرا» و «چگونه» (استدلال و تحلیل) منتقل می‌شود. این تغییر با حذف جست‌وجوهای اداری خسته‌کننده برای یافتن داده‌ها، خطر فرسودگی شغلی (Burnout) را کاهش داده و تمرکز را دوباره بر رابطه انسانی بین پزشک و بیمار بازمی‌گرداند.
برای صنعت بهداشت، این یعنی شکاف بین بیمارستان‌های «تکنولوژی‌محور» و «سنتی» عمیق‌تر خواهد شد. مؤسساتی که خط لوله‌های آموزشی خود را بازطراحی نکنند، ریسک تربیت پزشکانی را می‌پذیرند که بیش از حد به ابزارهایی وابسته هستند که اساساً مکانیسم عملکرد آن‌ها را نمی‌فهمند و نمی‌توانند در صورت خطا، آن‌ها را نقد کنند.
در آینده باید به دقت رصد کرد که این سیستم‌های هوش مصنوعی تطبیقی در کارآزمایی‌های بالینی واقعی چگونه عمل می‌کنند؛ به‌ویژه اینکه آیا می‌توانند خطاهای تشخیصی را در موارد پیچیده و بیمارانی که دچار چندین بیماری همزمان (Multi-morbidity) هستند، کاهش دهند یا خیر.
گام بعدی شما
- اگر در حوزه HealthTech فعالیت می‌کنید، مدل «آموزش تطبیقی» (Adaptive Learning) را به عنوان جایگزین متون درسی ایستا بررسی کنید.
- بر روی مهارت‌های «قضاوت زمینه‌ای» (Contextual Judgment) تمرکز کنید؛ جایی که مدل‌های زبانی هنوز در برابر تجربه انسانی ضعف دارند.
- نتایج کارآزمایی‌های بالینی این سیستم‌ها را در کاهش خطاهای تشخیصی در موارد پیچیده دنبال کنید.
اما تأثیر این تحول بر حریم خصوصی داده‌های پزشکی حتی پیچیده‌تر است — به تحلیل ما درباره‌ی مدل‌های محلی و درون‌سازمانی مراجعه کنید.
گفتگو